Thought Leadership
Der Erfolg der digitalen Welt wird ganz entscheidend dadurch bestimmt, wie Unternehmen mit Daten umgehen. Was also muss eine Datenspezialist alles können? Wieso ist Data Scientist der sexiest Job im 21. Jahrhundert? Und kann man das lernen?
Mittlerweile kommen Unternehmen nicht mehr daran vorbei: Daten. Wer heute im Wettbewerb bestehen will, muss seine Kunden und Zielgruppe genau kennen, Prozesse optimieren und genau das anbieten, was sich Kunden wünschen – am besten schon, bevor sie es überhaupt selbst wissen. Die Wissenschaft der Daten liefert hier wichtige Lösungsansätze, denn sie untersucht genau solche Informationen und macht komplizierte Vorgänge sichtbar. So erkennen Unternehmen Tendenzen sowie Zusammenhänge und können Entscheidungen aufgrund der tatsächlichen Ist-Lage treffen. Mehr und mehr Unternehmen haben den Bedarf an geschulten Datenexperten erkannt, weshalb man auf Jobportalen und in den Medien auch immer häufiger über diese Berufsbezeichnung stolpert. Aber was müssen sie wirklich können? Wie sieht ihr Arbeitsalltag aus? Und wie wird man selbst zu einem Data Scientist?
Der „sexiest Job“ des 21. Jahrhunderts – Data Scientists als Alleskönner
Die Nachfrage nach dieser raren Mitarbeiterspezies ist in den letzten Jahren stark gewachsen. So fand das Jobportal „Joblift“ in einer Untersuchung heraus, dass im Zeitraum von April 2017 bis April 2018 die Nachfrage nach Datenspezialisten um 23 Prozent wuchs – allein in Deutschland. Auch das Gehalt ist nicht schlecht: Durchschnittlich 52.000 Euro bringen die Experten im Jahr nach Hause, wie eine Statistik des Arbeitgeberbewertungsportals „glassdoor“ zeigt. Es herrschen also rosige Zeiten für Datenjongleure und Codespezialisten. Vom bekannten Harvard Business Review wurden der Berufsstand sogar als „sexiest job in the 21st Century“ bezeichnet. Warum? Weil Data Scientists eine ganze Menge können müssen.
Data Scientists müssen nicht nur die richtigen Daten sammeln, aufbereiten und auswerten, sondern meist auch noch programmieren können. Die am häufigsten verwendeten Programmiersprachen sind dabei R und Python. Doch natürlich befinden sich noch weitere Tools und Anwendungen im täglichen Einsatz, was ihre Arbeit ungemein erleichtert: Analyse- und Visualisierungsprogramme führen über vorgefertigte Rechenoperationen Datenanalysen, sogenannte Workflows, durch und stellen die Ergebnisse in Grafiken dar. Hinzu kommt, dass Data Scientists auch noch die spezifische digitale Infrastruktur ihres Unternehmens wie ihre Westentasche kennen müssen. Zum einen, damit sie ihre Untersuchungen an bestehende Systeme an- und einbinden können und zum anderen, damit sie auch Zugang zu den benötigten Daten erhalten.
Doch allein die Leidenschaft für Programmierung und Datenpakete reicht in dem Job nicht aus. Gleichzeitig müssen Data Scientists noch ausgeprägte Kommunikationsfähigkeiten haben, sich richtig ausdrücken und präsentieren können und ein gewisses Verständnis für Design vorweisen. Schließlich müssen sie ihre Ergebnisse darstellen sowie anderen vermitteln können.
Data Scientist vereinen also mathematisches Verständnis, detektivischen Spürsinn, kommunikative Finesse sowie ein Auge für einleuchtende Infografiken. Und das kommt – zugegebenermaßen – doch recht selten alles auf einmal zusammen.
Der Arbeitsalltag von Data Scientists
Wer dachte, dass der Arbeitsalltag für diese Berufsgruppe aus abgedunkelten Räumen mit blau leuchtenden Bildschirmen und endlosen Suchen in Datenbanken bestünde, der wird überrascht sein: Einen Großteil ihres Tages verbringen Data Scientists mit Meetings: mit Führungskräften, mit Abteilungsleitern und anderen Kollegen, mit denen sie über offene Fragen oder bevorstehende Workflows sprechen, gemeinsam programmieren oder Analyseberichte evaluieren.
Ein weiterer wichtiger Teil ist das Suchen und Zusammenführen der Daten. Wenn es die richtigen Informationen schon gibt, erleichtert das die Arbeit der Experten ungemein. Doch allzu häufig müssen diese erst einmal identifiziert, neu gesammelt und anschließend noch aufbereitet werden, bevor sie überhaupt ausgewertet und genutzt werden zu können. Werden zum Beispiel die Klickzahlen oder Verweildauern von Nutzern benötigt, müssen die Datenprofis mit Kollegen aus dem Backend zusammenarbeiten, sodass diese Informationen gespeichert werden und abrufbar sind.
Weiterhin besteht der Arbeitsalltag natürlich daraus, Modelle für Workflows zu erstellen und zu testen. An sich ist das eine kreative Arbeit, weil es häufig auch aus „Trial & Error“ besteht: Welche Zusammenhänge könnten zwischen den Datensätzen bestehen und wie setzt man sie sinnvoll miteinander in Verbindung?
Ein Praxisbeispiel ist die Preisstrategie von Unternehmen. Heute wird nichts mehr dem Zufall überlassen und im Onlinehandel lassen sich die Preise quasi täglich neu bestimmen. Wer kann, der stellt Data Scientists an, damit diese genau bestimmen, welches Produkt welches Preisschild bekommt. Parameter wie aktuelle Marktsituation, Nachlieferungen oder auch Kundenverhalten werden hierbei mit einbezogen, aber auch welche Absicht eigentlich verfolgt wird: Ist es der Abverkauf von Ladenhütern oder soll der Umsatz gesteigert werden? Mit Hilfe von Data Scientists können Unternehmen an einigen Schrauben drehen, die das Tagesgeschäft und die Ergebnisse optimieren.
Oft suchen Firmen nach Data Scientists – benötigen aber eigentlich Datenanalysten. Zwischen diesen beiden Berufen besteht aber ein Unterschied: Als Data Scientist arbeitet man viel stärker mit Programmiersprachen, schreibt Code, tüftelt an Algorithmen oder zieht statistische Mittel zurate. Sie sind spezialisierte Fachkräfte, die zum Teil auch daran arbeiten, wie sie Daten gewinnen können oder ändern die digitale Infrastruktur des Unternehmens, sodass sie mehr Informationen bekommen. Data Analysts hingegen arbeiten weniger IT-getrieben, sondern zumeist mit modernen Self-Service-Tools oder Tabellen, die sie auswerten. Häufig ist es das, was Unternehmen eigentlich suchen: Jemand der Daten in Zusammenhang stellt und Muster oder Verhaltensweisen aufdeckt.
Wie werde ich selbst ein Data Scientist?
Für viele Menschen ist eine Stelle als Data Scientists erstrebenswert – die Tätigkeit ist im Kern vielseitig, die Konditionen oft gut verhandelbar, die Marktlage hervorragend, Aufstiegschancen definitiv vorhanden und die Bezahlung vielversprechend. Da es wie schon erwähnt keine formale Ausbildung gibt, ist auch der Quereinstieg häufig möglich: Wer einen Bildungshintergrund in Informatik oder Mathematik hat, sich gerne mit Zahlen, Daten und Programmieren beschäftigt und gut in Teams arbeitet sowie gerne seine Ergebnisse präsentiert, erfüllt die Voraussetzungen. Diese Kandidaten sollten sich am besten mit Onlinekursen sowie ersten kleinen Probeprojekten innerhalb der eigenen Firma fortbilden. Auch Artikel oder Literatur zu dem Thema gibt erste Einblicke und Anleitungen.
Wer kein Profi im Umgang mit Programmiersprachen ist, aber generell an dem Beruf interessiert ist, der hat gute Chancen: Was im Internet bereits als „Citizen Data Scientist“ bekannt ist, kommt langsam auch in immer mehr Unternehmen an. Der Begriff beschreibt MitarbeiterInnen, die in einer IT-fremden Abteilung arbeiten und dennoch Daten auswerten – dabei aber nicht selbst programmieren. Sie arbeiten mit Self-Service-Tools, die ihnen auch das Erstellen eigener und vorkonfigurierter Workflows ermöglichen.
Der große Vorteil ist, dass diese MitarbeiterInnen den jeweiligen Fachhintergrund mitbringen. Das bedeutet, dass sie die Daten und die aus der Analyse gewonnenen Erkenntnisse angemessen und mit Sachverstand in den richtigen Kontext setzen können. Für kleinere, im Umfang und Ausstattung begrenzte Untersuchungen sind sie also gut gerüstet und können so ihre eigene Arbeit stets überprüfen und voranbringen. Denn: Man muss ja auch kein professioneller KFZ-Mechaniker sein, um Auto zu fahren.
„Dreiklang” von Data Scientist, Datananalyst und Citizen Data Scientiest
Somit ergibt sich für Unternehmen ein „Datendreiklang“: Erstens, die hoch spezialisierten Data Scientists, die mit ihren Fähigkeiten in IT und Mathematik das große Ganze aufbauen, überwachen und von Informationsbeschaffung über Analysen alles durchführen können. An zweiter Stelle stehen Datenanalysten, die Workflows aufsetzen und Informationen in Bezug zueinander stellen, um Erkenntnisse zu gewinnen. Und als Drittes die Citizen Data Scientists, die schnell selber Analysen durchführen, um Handlungsempfehlungen für ihre Arbeit zu bekommen.
In Zukunft wird die Fähigkeit mit Daten umzugehen immer wichtiger und Unternehmen müssen in die Fortbildung ihrer Mitarbeiter investieren. Hieraus ergibt sich ein immenses Potenzial für Unternehmen, vor allem, wenn diese drei Berufsgruppen miteinander arbeiten und dieselben Tools benutzen – somit also die gleiche Sprache sprechen und sich darüber austauschen.
Vor allem für den Mittelstand birgt das immense Chancen: Wenn viele Mitarbeiter eigene Analysen durchführen können und mehr Kollegen den Umgang mit Daten beherrschen, so können die Teams agiler auf neue Situationen und Herausforderungen reagieren – ganz ohne große Abstimmungsschleifen oder langwierige Analyseprozesse.
Es gibt kein Entkommen mehr vor der Arbeit mit Daten und Datenanalyse. Damit Unternehmen konkurrenzfähig bleiben, gilt im 21. Jahrhundert das Credo: Je mehr Mitarbeiter fähig sind Daten zu analysieren und in den angemessenen Kontext zu setzen, desto besser.
Tom Becker ist General Manager Central & Eastern Europe bei Alteryx und für den Aufbau der Organisation verantwortlich.
Er verfügt über eine langjährige Erfahrung im Softwaregeschäft, u.a. bei der Seeburger AG und QlikTech GmbH. Vor seiner Tätigkeit bei Alteryx war er für den Auf- und Ausbau des Deutschlandgeschäfts bei QlikTech verantwortlich. Als Autor und Redner beschäftigt er sich mit der Analyse von Daten und den Auswirkungen der Digitalisierung. Neben seiner Haupttätigkeit hält er Vorträge und Workshops u.a. an den Universitäten von Bremen, Nürnberg und Berlin. Becker schloss sein Studium an der Universität Nürnberg-Erlangen mit einem Master of Business Administration (MBA) ab. Er lebt und arbeitet in München.
